开发用于推断JET上游分离面密度的深度学习算法
等离子体物理
2023-01-18 v2
摘要
对上游分离面电子密度的预测与实时推断能力，对于堆芯-边界集成等离子体场景的设计与控制至关重要。本研究探索了有监督与半监督机器学习算法，以建立 pedestal 剖面的直接映射及间接压缩表示，从而预测与推断。基于JET的EUROfusion pedestal数据库，我们构建了一个表格数据集，包含机器参数、ELM周期占比、电子密度与温度的高分辨Thomson散射剖面，以及608次JET放电的。利用该表格数据集，直接映射方法提供了机器参数和ELM百分比到的映射。通过表示学习，建立了实验pedestal电子密度与温度剖面的压缩表示。通过将表示以机器控制参数为条件，建立了概率生成预测模型。预测时，机器参数可用于建立压缩pedestal剖面的条件分布，作为算法一部分训练的解码器可用于将压缩表示解码回完整pedestal剖面。尽管本工作仅给出了预测与推断的概念验证，此类表示学习因可预测完整pedestal剖面，也可用于许多其他应用。本工作的实现见 https://github.com/fusionby2030/moxie。
引用
@article{arxiv.2208.00206,
title = {Developing Deep Learning Algorithms for Inferring Upstream Separatrix Density at JET},
author = {A. Kit and A. Jaervinen and S. Wiesen and Y. Poels and L. Frassinetti},
journal= {arXiv preprint arXiv:2208.00206},
year = {2023}
}
备注
6 pages, 5 figures, accepted contribution to the 25th International Conference on Plasma Surface Interaction in Controlled Fusion Devices(PSI-25)